python2.x的新式旧式类问题

本文探讨了Python中经典类与新式类的继承机制差异,重点分析了它们在属性查找路径上的不同策略,以及这些差异如何影响子类对基类属性的覆盖。

在python的普通中类中,继承的模式是深度优先的,也就是说对于一个对象的搜索遵循从左至右、从下到上的原则,而这从下到上的原则又优于从左至右。发觉语言上的描述十分晦涩,举个例子吧。

# -*- coding:utf-8 -*-
class a():
    """
    作为所有类的基类
    """
    value = 1
    def __init__(self, ):
        """
        """
class b(a):
    """
    d的基类,继承自a
    """
    def __init__(self, ):
        """
        """
class c(a):
    """
    d的基类,继承自a
    并且将基类中的变量值修改
    """
    value = 3
    def __init__(self, ):
        """
        """
class d(b, c):
    """
    """
    def __init__(self, ):
        """
        """
x = d()
print x.value

对于以上的代码输出的结果将是1。

因为对于经典类来说,在类d中调用对象value,首先要查找类d中是否有value,如果没有则按顺序查找b->a->c。它是一种广度优先的查找方式,所以首先会在基类a中查找到对象value,然后输出1。

以下是新式类的例子:

# -*- coding:utf-8 -*-
class a(object):
    """
    作为所有类的基类
    """
    value = 1
    def __init__(self, ):
        """
        """
class b(a):
    """
    d的基类,继承自a
    """
    def __init__(self, ):
        """
        """
class c(a):
    """
    d的基类,继承自a
    并且将基类中的变量值修改
    """
    value = 3
    def __init__(self, ):
        """
        """
class d(b, c):
    """
    """
    def __init__(self, ):
        """
        """
x = d()
print x.value

对于这个例子输出的结果将是3。

因为基类a继承于object,而所有继承于object的类都将是新式类。对于新式类来说,在类d中调用对象value,它首先查找的依然是类d。如果没有查找到的话,他会依次查找b->c->a。在我看来,它是一种按层查找的原则,会在较低层查找对象,如果没有的话再到较高层查找。所以对于这个例子来说,value在类c中被查找到,所以它的值将会是3。

这种继承方式的查找还是挺有意思的,我本人是比较喜欢新式类的继承方式,因为毕竟如果在继承类中有对于基类中对象的修改,那么这种修改应该是有意义的,而经典类的继承方式就有可能因为基类顺序的问题将这种有意义的修改屏蔽掉,所以还是新式类会比较好一些。而对于python语言的发展来说,python3.0以后所有的类继承方式都将是新式类的继承,也就说所有的类都将是新式类,所以这种继承方式也是我们有必要去掌握的。

本指南详细阐述基于Python编程语言结合OpenCV计算机视觉库构建实时眼部状态分析系统的技术流程。该系统能够准确识别眼部区域,并对眨眼动作与持续闭眼状态进行判别。OpenCV作为功能强大的图像处理工具库,配合Python简洁的语法特性与丰富的第三方模块支持,为开发此视觉应用提供了理想环境。 在环境配置阶段,除基础Python运行环境外,还需安装OpenCV核心模块与dlib机器学习库。dlib库内置的HOG(方向梯度直方图)特征检测算法在面部特征定位方面表现卓越。 技术实现包含以下关键环节: - 面部区域检测:采用预训练的Haar级联分器或HOG特征检测器完成初始人脸定位,为后续眼部分析建立基础坐标系 - 眼部精确定位:基于已识别的人脸区域,运用dlib提供的面部特征点预测模型准确标定双眼位置坐标 - 眼睑轮廓分析:通过OpenCV的轮廓提取算法精确勾勒眼睑边缘形态,为状态判别提供几何特征依据 - 眨眼动作识别:通过连续帧序列分析眼睑开合度变化,建立动态阈值模型判断瞬时闭合动作 - 持续闭眼检测:设定更严格的状态持续时间与闭合程度双重标准,准确识别长时间闭眼行为 - 实时处理架构:构建视频流处理管线,通过帧捕获、特征分析、状态判断的循环流程实现实时监控 完整的技术文档应包含模块化代码实现、依赖库安装指引、参数调优指南及常见问题解决方案。示例代码需具备完整的错误处理机制与性能优化建议,涵盖图像预处理、光照补偿等实际应用中的关键技术点。 掌握该技术体系不仅有助于深入理解计算机视觉原理,更为疲劳驾驶预警、医疗监护等实际应用场景提供了可靠的技术基础。后续优化方向可包括多模态特征融合、深度学习模型集成等进阶研究领域。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值